一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法技术

本发明专利技术公开了一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法，包括以下步骤：步骤1、准备数据集，并按照一定比例划分训练集和测试集；步骤2、构建MobileNet卷积神经网络的结构；步骤3、对数据集图片进行数据增强和图片预处理等操作；步骤4、使用迁移学习的方法来对模型进行训练，加快模型收敛且提高模型特征提取能力；步骤5、通过TFlite将训练好的模型转换成可移植文件；步骤6、搭建移动端应用程序并将模型部署在应用程序内；步骤7、通过移动端设备采集图像进行玉米叶片病虫害识别。本发明专利技术对模型网络进行了改进，在不影响模型精度和性能的前提下减小了模型的运算代价，同时，将模型移植到移动端，运算速度得到进一步的提升。速度得到进一步的提升。速度得到进一步的提升。

【技术实现步骤摘要】
一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法


[0001]本专利技术涉及深度学习及智慧农业领域，尤其涉及一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法。

技术介绍

[0002]玉米病虫害综合防治的首要前提是对田间病虫害进行及时准确的识别和诊断。目前，我国玉米病虫害识别与诊断工作主要依靠植保工作者的人工识别，费时费力，实时性差，无法满足现代农业的发展需求。随着机器学习和模式识别技术发展日益成熟，使得玉米病虫害的自动识别与诊断成为可能。为了实现玉米田间病虫害智能识别，先前的学者建立了基于移动端的玉米病虫害图像识别与诊断系统，实现对玉米病虫害图像的采集、识别和快速诊断。
[0003]在以往的移动端农业病虫害检测中，通常是手机端先拍发病作物照片，然后将拍摄的照片上传到服务器，然后在服务器端调取模型对上传过来的照片进行推理，推理结束后服务器将推理结果返回手机端。这种传统的方法在以前手机端算力过低的情况下是主流方法。但通过这种方式会存在如下的问题：
[0004](1)手机端和服务器进行交互的过程容易本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法，其特征在于，该方法包括以下步骤：步骤1、收集各种玉米叶片病虫害的图片数据集，对图片数据集进行预处理，并将预处理后的图片数据集划分为训练集和测试集；步骤2、构建优化的MobileNet卷积神经网络，MobileNet网络在经过了用于特征提取的的逐点卷积和逐深度卷积后得到的特征图尺寸为7*7*1024，再经过一个均值池化层将特征图尺寸变为1*1*1024；把均值池化层后用于分类的全连接层替换为一个卷积核尺寸为1*1的卷积层，再设置卷积核组数与原全连接层输出个数相同；步骤3、将MobileNet卷积神经网络在ImageNet数据集上训练得到的参数通过迁移学习的方法迁移到针对玉米叶片病虫害的MobileNet卷积神经网络上，并使用玉米叶片病虫害的图片数据集对其进行进一步的训练，加强模型对玉米叶片病虫害的特征提取能力；步骤4、在训练前设置优化学习率的方式，设置为若acc参数三次不提高，则下降学习率继续训练；同时设置是否需要早停来缓解过拟合，早停监控的参数是val_loss参数，当val_loss参数不再下降的时候，则停止训练；步骤5、训练结束后，重新构建改进的MobileNet卷积神经网络，将MobileNet卷积神经网络的网络参数随机初始化；在输入玉米叶片病虫害图片数据集进行训练前，将步骤3中得到的网络模型权重导入改进的MobileNet网络中；将前面81层MobileNet网络结构冻结，保留其在玉米叶片病虫害图片上良好的特征提取能力，只训练改进MobileNet卷积神经网络最后的分类层，加快模型收敛；步骤6、通过TFlite将训练好的改进MobileNet卷积神经网络模型转换成.tflite格式，并将其部署在移动端；步骤7、通过移动端设备采集玉米叶片图片并加载改进MobileNet卷积神经网络模型进行推理，得到结果呈现在移动端设备上。2.根据权利要求1所述的基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法，其特征在于，所述步骤1中对图片数据集进行预处理的方法具体为：首先通过python程序将所有玉米叶片病虫害的图片和其对应的标签一一对应并写入一个txt的文档中，txt文档用于读取数据来训练；对图片进行预处理的方法包括：(1)对图片进行缩放、平移、旋转等操作；图片缩放，将目标图片中的像素点按照设定的缩放系数，沿坐标轴的方向缩小或放大图片；图片平移，将目标图片中的像素点按照设定的平移量水平或竖直移动；图片旋转，以目标图片中的某一点为原点，按逆时针或顺时针旋转一定的角度；(2)对图片进行图片增强；采用了中值滤波和线性变换的方法对图片进行处理，使得不清楚的玉米叶片病虫害图片变得清晰，使玉米叶片病症特征更加突出，抑制不感兴趣的特征；a：图像去噪：采用中值滤波方法对图片进行处理，中值滤波采用的是非线性滤波的方式，将目标局部图像中一点的像素值用该点领域内的各个点值的中值代替，中值滤波的数学公式为：H(x,y)＝Med{F(x
‑
i,y
‑
j),(i,j∈M)}
式中：Med表示中值操作，M为设定的窗口区域，取3*3或5*5；b：对比度变换：采用线性变换的方法，当目标图像在拍摄获取时因为光照不足或光照强度太强而出现模糊不清的现象，此时利用一个线性函数对目标图像的像素进行线性操作，从而达到改善目标图像的目的；假设目标图像F(x,y)的像素值范围为[a,b]，经线性变换后的图像H(x,y)的像素值范围为[c,d],则线性变换的数学表达式表示为：3.根据权利要求1所述的基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法，其特征在于，所述步骤2中MobileNet卷积神经网络模型的改进方法为：将MobileNet卷积神经网络结构的最后三层全连接层去掉，然后添加一个1*1的卷积层和Activation层，首先将卷积核设置为上一层网络feature map的尺寸，然后再设置卷积核组数与全连接输出个数相同，当这组卷积核作用于输入的feature map上时，就能得到一个1*1*输出个数的输出。4.根据权利要求3所述的基于迁移学习+MobileNet的玉米叶片病虫害移动端识别方法，其特征在于，所述步骤2中构建的MobileNet卷积神经网络为：优化MobileNet卷积神经网络运用的是深度可分离卷积操作，由depthwise卷积和pointwise卷积两个部分结合起来对图像进行特征...

【专利技术属性】
技术研发人员：李小霞，黄松，
申请(专利权)人：华中农业大学，
类型：发明
国别省市：